Veröffentlicht am

Von Mass Personalization zu Open User Innovation

Image by Denise Husted from Pixabay

Auf den verschiedenen Konferenzen, an denen ich teilgenommen habe, ging es über viele Jahre um Mass Customization and Personalization. Auslöser der Entwicklung war die Veröffentlichung B. Joseph Pine II (1992): Mass Customization. The New Frontier in Business Competition, in der die damals neue hybride Wettbewerbsstrategie vorgestellt wurde.

In der Zwischenzeit gibt es beim Fraunhofer Institut in Stuttgart das Leistungszentrum Mass Personalization. Dort ist man der Auffassung, dass es sich bei Mass Personalization um einen Megatrend handelt

„Mass Personalization ist ein eigenständiges radikal nutzerzentriertes und dennoch nachhaltiges und ressourceneffizientes Konzept, das als Toolbox oder plattformtechnologische Anwendung in der Produktion von morgen fungieren kann“ (Krieg/Groß/Bauernhansl (2024) (Hrsg.): Einstieg in die Mass Personalization. Perspektiven für Entscheider).

Mass Customization ist hier zeitpunktbezogen, und Mass Personalization eher Zeitdauer bezogen zu interpretieren. Beides, Mass Customization und Mass Personalization, sind allerdings immer noch aus der Perspektive des Unternehmens gedacht.

Wenn sich ein Unternehmen auf jeden einzelnen Nutzer so intensiv einstellen will, benötigt es viele Problem- und möglicherweise auch erste Lösungsinformationen vom Nutzer. Bei komplexen Problemen sind diese Informationen nur sehr schwer zu beschreiben (Kontext, Implizites Wissen, Expertise), und schwer vom Nutzer zum Unternehmen übertragbar (Sticky Information, Träges Wissen).

Der Nutzer weiß oft am besten, was er für sein Problem benötigt. Es fehlt oft noch der Schritt zur ersten Umsetzung von eigenen Lösungen. Dieser war in der Vergangenheit sehr aufwendig (Zeit, Geld), sodass die Umsetzung oft von Unternehmen übernommen wurde.

In der Zwischenzeit gibt es durch die Möglichkeiten der Künstlichen Intelligenz, des 3D-Drucks (Additive Manufacturing), oder auch der Robotik und der Open Source Community viele Möglichkeiten, das Produkt selbst zu entwickeln und im Idealfall selbst oder in einer Community herzustellen. Siehe Eric von Hippel (2016): Free Innovation (Open Access).

Titel (Ausschnitt) https://direct.mit.edu/books/book/5344/Free-Innovation

Eric von Hippel hat dazu schon sehr viele Studien veröffentlich, aus denen hervorgeht, dass der Anteil dieser Open User Innovation in den letzten Jahrzehnten stark angewachsen ist. Diese Innovationen findet man nicht in den offiziellen Statistiken zu Innovationen, denn Innovationen werden dort von Unternehmen entwickelt und auf den Markt gebracht. Was versteht nun von Hippel unter Open User Innovation?

„An innovation is ´open´ in our terminology when all information related to the innovation is a public good—nonrivalrous and nonexcludable”(Baldwin and von Hippel 2011:1400).

”… involves contributors who share the work of generating a design and also reveal the outputs from their individual and collective design efforts openly for anyone to use“ (Baldwin and von Hippel 2011:1403).

Wir wissen alle, dass die Unternehmen nur die Innovationen auf den Markt bringen, die eine entsprechende Rendite versprechen – alles andere bleibt liegen… Doch genau darin liegt die Chance von Open User Innovation: Jeder einzelne kann nicht nur kreativ, sondern auch innovativ sein (Ideen umsetzen) und seine Innovationen anderen (auch kostenlos) zur Verfügung stellen.

Sie meinen das gibt es nicht? Dann schauen Sie sich einmal die vielen Plattformen zu Open Source Software, oder die Plattform Patient Innovation an – Sie werden staunen.

Wenn Sie sich zu diesen Themen informieren wollen: Die MCP Community of Europe trifft sich auf der Konferenz zu Mass Customization and Personalization – MCP 2026 – vom 16.-19.09.2026 in Balatonfüred, Ungarn. Wir sind dabei.

Veröffentlicht am

Was hat Fahrradfahren mit Handlungsgebieten und Domänen zu tun?

Image by photosforyou from Pixabay

Stellen Sie sich vor, jemand möchte von Ihnen wissen, wie er Fahrradfahren soll. Geben Sie ihm einfach eine kurze Beschreibung – oder fragen Sie eine Künstliche Intelligenz. Eine eher wissenschaftliche Antwort könnte wie folgt lauten:

„Bringen Sie die Kurvung Ihrer Fahrradspur im Verhältnis zur Wurzel Ihres Ungleichgewichtes geteilt durch das Quadrat Ihrer Geschwindigkeit! Diese Regel beschreibt das Gleichgewichthalten beim Fahrradfahren“ (Fischer 2010).

Könnten Sie aufgrund dieser Beschreibung, möglicherweise ergänzt durch tausende von Videos oder anderen Content, Fahrradfahren? Es wird deutlich, dass zu der Beschreibung noch etwas dazukommen muss: Ein Gefühl für das Gleichgewicht bei einem bestimmten Fahrrad, in einem bestimmten Gelände (Kontext) und Übung, Übung, Übung. So lange, bis man kein Anfänger, sondern ein Experte ist.

Im beruflichen Umfeld haben wir ähnliche Situationen, die anhand der folgenden Abbildung erläutert werden sollen.

Eigene Darstellung

In der Abbildung sind das Handlungsgebiet „Installieren“, das Handlungsgebiet „Diagnostizieren“ und beispielhaft ein weiteres Handlungsgebiet nebeneinander dargestellt.

Überlagert werden diese von den Sektoren A und B, in denen die Kontexte 1 bis 4 dargestellt sind. Kontext 1 könnte hier die Kernaufgabe 1 eines Berufs, Kontext 2 die Kernaufgabe 2 eines weiteren Berufs etc. darstellen.

Der Domänenbegriff kann sich im engeren Sinne auf eine Kernaufgabe eines Berufs beziehen – hier die Kernaufgabe 1 eines Berufs. Es ist allerdings auch möglich, den Domänenbegriff weiter zu definieren. Dann wären die Summe aller Handlungsgebiete gemeint – im Idealfall stellt eine Domäne den Beruf dar (Domäne=Beruf).

„Die Arbeit in einer Domäne ist stets situiert“ (Becker 2004, S. 36), also an die Problemlösungssituation und den Kontext gebunden, was zu einem sehr speziellen Wissen (Expertenwissen) und der damit verbundenen Expertise (Kompetenz auf Expertenniveau) führt.

Es wird deutlich, dass es nur sehr schwer möglich ist, diese spezielle Kompetenz zu übertragen, gerade dann, wenn man das Ganze der Arbeit betrachtet und nicht nur einzelne Facetten.

Solche Überlegungen können dabei helfen herauszufinden, welche Elemente der Arbeit beispielsweise durch Künstliche Intelligenz ersetzt, ergänzt, oder gar nicht abgebildet werden können.

Veröffentlicht am

Kontextorientierte Innovationstrategie in Zeiten von Künstlicher Intelligenz

Innovation ist ein wesentliches Element für den Wohlstand einer Gesellschaft – nicht nur für einzelne Unternehmen. Diese orientieren sich in ihren Strategien oft auf Technik (technikorientiere Innovationsstrategie) und auf Kunden (kundenorientierte Innovationsstrategie). Beide Perspektiven sollten durch ein Denken in Kontexten ergänzt werden.

„Eine kontextorientierte Innovationsstrategie versucht daher, nutzerorientierte Lösungsansätze für die Bewältigung und Entlastung von Alltagskomplexität in innovative Produkte und Dienstleistungen zu übersetzen. (…) Eine kontextorientierte Strategie ist von der Perspektive her langfristig orientiert, verbindet technologisches Wissen mit den jeweiligen soziokulturellen Anwendungskontexten und trägt insofern der rekursiven Beziehung von Innovation und Bedürfnis Rechnung. Dabei zielt eine kontextorientierte Innovationsstrategie letztlich auf Differenzierung am Markt, denn »the essence of strategy is […] choosing to perform activities differently or to perform different activities than rivals« – und damit auf langfristiges Überleben am Markt (Porter 1996, 64)“ Quelle: Burmeister et al. (2006): Innovation im Kontext: Ansätze zu einer offenen Innovationsstrategie, in Drossou (2006).

Gerade in Zeiten von Künstlichen Intelligenz werden oftmals nur die Dimensionen „Technik“ und „Kunde“ thematisiert und zu wenig der gesellschaftliche Kontext von Innovationen mit bedacht. Die ersten beiden Dimensionen sind eher kurzfristig, die kontextorientierte Innovationsstrategie eher langfristig ausgerichtet. Gerade dieser Punkt ist für eine gesellschaftliche Entwicklung wichtig, die alle Menschen mit einbezieht.

Diese Gedanken passen gut zu dem in Japan vorgestellten Ansatz einer Society 5.0.

Veröffentlicht am

Menschen und AI Agenten im Zusammenspiel

Conceptual technology illustration of artificial intelligence. Abstract futuristic background

Immer mehr Organisationen fragen sich, inwiefern Workflows und besonders AI Agenten die bisher von Menschen durchgeführten Arbeiten ersetzen werden. In dem Blogbeitrag The Agent Company: KI-Agenten können bis zu 30% der realen Aufgaben eines Unternehmens autonom übernehmen wird deutlich, was heute schon in einzelnen Branchen möglich ist.

Auch der Jobs Reports 2025 des WEF zeigt auf, dass bis 2030 wohl 172 Millionen neue Jobs entstehen, und 92 Millionen wegfallen werden. Es geht dabei nicht immer um komplette Jobs, sondern auch um Teilbereiche oder Tätigkeitsportfolios, die immer mehr von AI Agenten übernommen werden (können).

Alles was mit Logik und Speicherung zu tun hat, ist eher die Stärke von Künstlicher Intelligenz, den Workflows, bzw. den AI Agenten. Doch in welchen Bereichen versagen AI Agenten noch? Dazu habe ich den folgenden Text gefunden:

„AI agents don’t fail because they’re weak at logic or memory. They fail because they’re missing the “L3” regions — the emotional, contextual, and motivational layers that guide human decisions every second“ (Bornet 2025 via LinkedIn).

Dabei bezieht sich Bornet auf eine Veröffentlichung von Bang Liu et al. (2025:19-20), in dem die Autoren drei Hirnregionen in Bezug auf AI (Artificial Intelligence) untersuchten. L1: Well developed; L2: Partially developed; L3: Underexplored.

Das Ergebnis ist also, dass AI Agenten in den Ebenen Emotionen, Kontext und Motivation unterentwickelt sind (L3), wenn es um menschliche Entscheidungen geht.

Erkenntnis (Cognition) entsteht dabei nicht nur in einem Bereich im Gehirn, sondern durch das Zusammenspiel vieler unterschiedlich vernetzter Areale. Bei komplexen Problemlösungsprozesse (CPS: Complex Problem Solving) geht es verstärkt um Emotionen, Kontext und Motivation.

Im Idealfall könnten Menschen an diesen Stellen einen Mehrwert für eine qualitativ gute Problemlösung (Erkenntnis) einbringen. Es stellt sich dabei allerdings auch die Frage, wie stark sich Menschen an die Möglichkeiten einer Künstlichen Intelligenz (AI Agenten) anpassen sollen.

Zusätzlich können die in dem sehr ausführlichen wissenschaftlichen Paper von Bang Liu et al. (2025) erwähnten Zusammenhänge Hinweise geben, wie die Zusammenarbeit – das Zusammenspiel – zwischen Menschen und AI Agenten organisiert, ja ermöglicht werden kann.

Veröffentlicht am

Barbara Geyer: Künstliche Intelligenz und Lernen

Barbara Geyer in diesem LinkedIn-Beitrag (August 2025)

In dem LinkedIn-Beitrag von Barbara Geyer (Hochschule Burgenland) erläutert die Autorin die Abbildung zu KI und Lernen noch etwas genauer. Es ist farblich gut zu erkennen, in welchen Bereichen Künstliche Intelligenz viel helfen kann (grün), begrenzt helfen kann (orange) und nicht helfen kann (rot). Dabei orientiert sich die Autorin an dem Helmke-Modell, einem Angebot-Nutzungs-Modell, und leitet die folgende zentrale Botschaft ab:

KI revolutioniert das ANGEBOT (Materialien, Tests, Feedback) aber LERNEN SELBST bleibt menschlich (Denken, Verstehen, Motivation).

In den Kommentaren zu dem LinkedIn-Beitrag gibt es viel Zustimmung, doch auch kritische Stimmen, die die Möglichkeiten Künstlicher Intelligenz in Lernprozessen hier eher unterschätzt sehen.

Ich finde diese Grafik zunächst einmal gut, da sie dazu anregt, darüber nachzudenken, was wir unter Lernen, bzw. unter menschlichem Lernen, verstehen, und wie wir damit umgehen wollen. Hinzu kommt dann noch die Einordnung Künstlicher Intelligenz als eine weitere Quelle zur Ermöglichung von Lernen – ganz im Sinne einer Ermöglichungsdidaktik. Siehe dazu auch Ist Wissenstransfer in ihrer Organisation wichtig? Wenn ja: Befassen Sie sich mit Erwachsenenbildung!

Veröffentlicht am

Kritik an `Best Practices` für inter-organisationales Lernen

Von anderen Organisationen zu lernen, erscheint auf den ersten Blick eine wirkungsvolle Möglichkeit zu sein, organisationales Lernen zu unterstützen. Dabei ist Lernen der Prozess und Wissen das Ergebnis.

Betrachten wir in dem Zusammenhang die drei Möglichkeiten, Wissen zu artikulieren, zu kodifizieren und zu transformieren, so wird schnell deutlich, dass es schwierig ist, Wissen von einem Best Practice Unternehmen auf ein anderes Unternehmen zu übertragen.

„This leads to a discussion in organisational learning theory: that ‘best practices’ no longer represent ‘the golden standard’ to achieve successful learning across organisational boundaries. The logic is that best practices represent ‘false generalisations’ because best practices “(…) depend on the predictability and stability for the environment, and it is well known that the environment of alliances lacks both criteria“ (Nielsen & Brix 2024).

Es ist dennoch erstaunlich, wie oft noch Best Practices verwendet werden. Durch das stark veränderte Umfeld haben sich manche Erkenntnisse aus der Vergangenheit (hier: Organisationale Lerntheorien) möglicherweise überholt.

Siehe dazu beispielsweise auch Wissensbilanz- Made in Germany: Macht Benchmarking Sinn? und Benchmarking im Projektmanagement: Vergleichbarkeit und Optimierungspotenzial.

Veröffentlicht am

In Europa gibt es immer mehr länderspezifische LLM (Large Language Models) – wie z.B. AI Sweden

Screenshot von der Website AI Sweden

In dem Blogbeitrag Open Source AI-Models for Europe: Teuken 7B – Training on >50% non English Data hatte ich schon erläutert, wie wichtig es ist, dass sich Organisationen und auch Privatpersonen nicht nur an den bekannten AI-Modellen der Tech-Giganten orientieren. Ein wichtiges Kriterien sind die dort oftmals hinterlegten Daten, die natürlich zum überwiegenden Teil in Englisch (oder Chinesisch) vorliegen.

In Europa haben wir gegenüber China und den USA in der Zwischenzeit ein eigenes Verständnis von der gesellschaftlichen Nutzung der Künstlichen Intelligenz entwickelt (Blogbeitrag). Dabei spielen die technologische Unabhängigkeit (Digitale Souveränität) und die europäische Kultur wichtige Rollen.

Die jeweiligen europäischen Kulturen drücken sich in den verschiedenen Sprachen aus, die dann auch möglichst Bestandteil der in den KI-Modellen genutzten Trainingsdatenbanken (LLM) sein sollten – damit meine ich nicht die Übersetzung von englischsprachigen Texten in die jeweilige Landessprache.

Ein Beispiel für so eine Entwicklung ist AI SWEDEN mit dem veröffentlichten GPT-SW3 (siehe Abbildung). Das LLM ist im Sinne der Open Source Philosophie (FOSS: Free Open Source Software) transparent und von jedem nutzbar – ohne Einschränkungen.

„GPT-SW3 is the first truly large-scale generative language model for the Swedish language. Based on the same technical principles as the much-discussed GPT-4, GPT-SW3 will help Swedish organizations build language applications never before possible“ (Source).

Für schwedisch sprechende Organisationen – oder auch Privatpersonen – bieten sich hier Möglichkeiten, aus den hinterlegten schwedischen Trainingsdaten den kulturellen Kontext entsprechend Anwendungen zu entwickeln. Verfügbar ist das Modell bei Huggingface.

Veröffentlicht am

Multiple Intelligenzen nach Howard Gardner: Ist eine Intelligenz den anderen überlegen ?

Die von Howard Gardner veröffentlichte Theorie der Multiplen Intelligenzen geht von relativ unabhängigen Intelligenzen aus. Die Anzahl hat sich dabei in den letzten Jahren von 7 auf 9 erweitert. Es ist in diesem Zusammenhang wichtig, dass Howard Gardner den Intelligenz-Begriff beispielsweise im Vergleich zu dem oftmals vorherrschenden psychometrischen Intelligenzkonstrukt (Beispiel: Intelligenz-Quotient / IQ) entgrenzt/erweitert.

(…) the predictive value of IQ measures had been found to be poor in situations requiring production and evaluation of new ideas (Feldman 1980: 89-90).

Wenn es also verschiedene Multiple Intelligenzen gibt, so kann durchaus die Frage gestellt werden, ob nicht eine davon den anderen überlegen ist. Genau diese Frage hat Howard Gardner in dem englischsprachigen Blogbeitrag Are Some Intelligences Superior to Others? vom 11.04.2023 mit einem klaren NEIN beantwortet. Es kann zwar vorkommen, dass in einer Situation die eine oder andere Intelligenz dominiert, in einer anderen Situation aber wiederum nicht.

In einem speziellen beruflichen Umfeld (Kontext, Domäne) zeigen sich immer mehrere Intelligenzen.

In diesem Sinne hat man diese Multiplen Intelligenzen nicht, sondern sie zeigen sich in intelligenten (komplexen) Problemlösungen.

In diesem Zusammenhang musss ich auch die Frage stellen, ob die Künstliche Intelligenz der Menschlichen Intelligenz, oder die Menschliche Intelligenz der Künstlichen Intelligenz überlegen ist. Dieses Thema werde ich in einem der folgenden Blogbeiträge (versuchen zu) beantworten.

Veröffentlicht am

Der Begriff der „Spekulation“ im alltäglichen Sprachgebrauch und in anderen Kontexten

Wenn jemand etwas nicht genau weiß, und dennoch eine Schlussfolgerung ableitet, wird oft gesagt, hier wird spekuliert. In der Finanzwelt werden beispielsweise von Spekulanten riesige Geldmengen bewegt. Es wird deutlich, dass das Konstrukt „Spekulation“ im alltäglichen Sprachverständnis negativ besetzt, allerdings in manchen Branchen (Kontexten, Domänen) ein durchaus gängiger Begriff ist.

„Der Begriff Spekulation wird im Gegensatz zum alltäglichen Sprachverständnis in der Wirtschaftswissenschaft wertneutral verwendet“ (Wikipedia). 

Der Begriff des Spekulativen sollte daher auch umgangssprachlich gar nicht mehr so despektierlich gesehen werden – wie auch der folgende Text hervorhebt:

„Als philosophischer Fachterminus meint das Spekulative seit Kant und Hegel den eigentlichen Gebrauch der Vernunft, ohne in der bloßen Erfahrung des Vorliegenden steckenzubleiben. Daher ist das spekulative Element, methodisch zielführend eingebettet, ein wesentlicher Bestandteil des Entwerfens, den zu Unrecht eine unwissenschaftliche Aura umgibt (Groß und Mandir 2022, S. 30)“ (Sander/Glaser/König (2024), in: Ebert/Rahn/Rodatz (Hrsg.) (2024): Wie gestalten wir Gesellschaft?).

In diesem Sinne lassen Sie uns ruhig spekulieren, und über die besten Meinungen diskutieren, debattieren und im positiven Sinne streiten..

Veröffentlicht am

Wissensmanagement: Die Kontextbindung von Wissen

Brödner, P.; Helmstädter, E.; Widmaier, B. (Hrsg.) (1999): Wissensteilung – Zur Dynamik von Innovation und kollektivem Lernen (Zur Einführung). München und Mering

Wissen wird situativ konstruiert (Konstruktivismus). Das bedeutet, dass beispielsweise die selben Daten und Information im Einkauf (Kontext 1) und im Verkauf (Kontext (2) zu anderen Wissenskonstruktionen führen können. Die Abbildung illustriert diese und folgende Zusammenhänge.

Noch schwieriger ist es für Experten ihr Wissen (Expertise, Expertenwissen) preiszugeben (Kontext 1 – berufliche Domäne 1) , denn es handelt sich dabei hauptsächlich um implizites Wissen (1).

Dieses implizite Wissen (1) wird dann mit Hilfe von Theorien, Modellen und Begriffen de-kontextualisiert und über das dann explizierbare Wissen in einen anderen Kontext (2) übertragen. Dort wird das explizite Wissen re-kontextualisiert und über Aneignung, Internalisierung und Lernen zu einem impliziten Wissen (2) und zu Können (2).

Die Übergänge von impliziten Wissen zu expliziten Wissen – und umgekehrt – werden in dem bekannten SEKI-Modell von Nonaka/Takeuchi als eine Art Wissensspirale dargestellt. Dabei ist allerdings folgendes zu beachten: Schreyögg, G.; Geiger, D. (2003): Kann die Wissensspirale Grundlage des Wissensmanagements sein? Siehe dazu auch diesen Beitrag zum trägen Wissen.